[發(fā)明專利]科技文獻(xiàn)檢索方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201410398279.3
• 申請(qǐng)日: 2014-08-13
• 公開(kāi)（公告）號(hào): CN104166712A
• 公開(kāi)（公告）日: 2014-11-26
• 發(fā)明（設(shè)計(jì)）人: 郭曉利;曲朝陽(yáng);潘峰;婁建樓;孫慧宇
• 申請(qǐng)（專利權(quán)）人: 東北電力大學(xué)
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06F17/27
• 代理公司: 北京泛華偉業(yè)知識(shí)產(chǎn)權(quán)代理有限公司 11280
• 代理人: 王勇;李科

技術(shù)領(lǐng)域

本發(fā)明涉及信息檢索和數(shù)據(jù)挖掘領(lǐng)域，尤其涉及對(duì)科技文獻(xiàn)的檢索方法。

背景技術(shù)

隨著信息技術(shù)和計(jì)算機(jī)的發(fā)展，各類電子文檔的數(shù)量以空前的速度增長(zhǎng)，電子文檔正逐步取代傳統(tǒng)的紙質(zhì)出版物。電子文獻(xiàn)檢索已經(jīng)成為獲取信息的有效途徑。

現(xiàn)有的電子文獻(xiàn)檢索方法通常是基于統(tǒng)計(jì)詞頻的方式來(lái)實(shí)現(xiàn)的。當(dāng)輸入檢索的關(guān)鍵詞時(shí)，依據(jù)所統(tǒng)計(jì)的關(guān)鍵詞在電子文件中出現(xiàn)的頻率來(lái)對(duì)檢索結(jié)果進(jìn)行排序。這類方法都是機(jī)械式地進(jìn)行統(tǒng)計(jì)和匹配，而忽視了詞本身在語(yǔ)義上的實(shí)際意義和詞與詞之間在語(yǔ)義上的關(guān)聯(lián)性，而且也沒(méi)有結(jié)合各種語(yǔ)言的語(yǔ)言習(xí)慣，檢索效果并不理想。特別是對(duì)于科技類文獻(xiàn)，一些領(lǐng)域通用的理論和方法術(shù)語(yǔ)出現(xiàn)的頻率很高，但這些詞頻高的術(shù)語(yǔ)并不能很好地表征文獻(xiàn)的特點(diǎn)，因而采用統(tǒng)計(jì)詞頻的方式對(duì)科技文獻(xiàn)的檢索效率并不高。

發(fā)明內(nèi)容

因此，本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺陷，提供一種新的科技文獻(xiàn)檢索方法及系統(tǒng)。

本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

一方面，本發(fā)明提供了一種科技文獻(xiàn)檢索方法，包括：

步驟1)基于科技文獻(xiàn)名稱的特征向量空間，將接收到的檢索詞條表示為特征向量的形式，并計(jì)算該檢索詞條的特征向量與數(shù)據(jù)集中每個(gè)科技文獻(xiàn)名稱的特征向量之間的語(yǔ)義相關(guān)度；

步驟2)取其名稱對(duì)應(yīng)的語(yǔ)義相關(guān)度高的前若干個(gè)科技文獻(xiàn)作為檢索結(jié)果；

其中，所述科技文獻(xiàn)名稱的特征向量空間是通過(guò)下列操作得到的：

a)提取用于檢索的數(shù)據(jù)集中所有科技文獻(xiàn)名稱來(lái)構(gòu)成訓(xùn)練集；

b)對(duì)訓(xùn)練集中每個(gè)科技文獻(xiàn)名稱進(jìn)行分詞，統(tǒng)計(jì)每個(gè)詞在訓(xùn)練集中出現(xiàn)的次數(shù)并計(jì)算每個(gè)詞的詞頻與逆向文檔頻率；其中，每個(gè)詞的詞頻等于該詞在訓(xùn)練集中出現(xiàn)的次數(shù)除以所有詞在訓(xùn)練集中出現(xiàn)的次數(shù)之和；所述每個(gè)詞的逆向文檔頻率為：

c)取其詞頻與逆向文檔頻率的乘積大的前若干個(gè)詞作為特征詞來(lái)構(gòu)成所述科技文獻(xiàn)名稱的特征向量空間。

上述方法中，所述步驟1)還可以包括：

如果所述檢索詞條中包含中文字“的”，則對(duì)于其前綴與所述檢索詞條的前綴相同的各個(gè)科技文獻(xiàn)名稱，將其對(duì)應(yīng)的語(yǔ)義相關(guān)度與相關(guān)度修正值相加；其中，所述前綴為檢索詞條和/或科技文獻(xiàn)名稱中處于中文字“的”之前的部分，所述相關(guān)度修正值為一個(gè)在0與1之間的實(shí)數(shù)。

上述方法中，所述相關(guān)度修正值可以通過(guò)下面的公式計(jì)算的：

α=β·rnlgnr]]>

其中，α表示相關(guān)度修正值，r表示訓(xùn)練集中其前綴與所述檢索詞條的前綴相同的各個(gè)科技文獻(xiàn)名稱的數(shù)目，n表示所述訓(xùn)練集中科技文獻(xiàn)名稱的總數(shù)目，β為相關(guān)度影響因子，其取值在0到1之間。

上述方法中，還可以包括將用于檢索的數(shù)據(jù)集中所有的科技文獻(xiàn)分為多個(gè)指定的類別；以及在所述步驟1)還可以包括：

按照下列公式計(jì)算檢索詞條的前綴對(duì)于每個(gè)類別的類別相關(guān)度修正系數(shù)：對(duì)于第i個(gè)類別的類別相關(guān)度修正系數(shù)W_i為：

其中t表示檢索詞條的前綴，表示前綴t在屬于第i個(gè)類別的所有科技文獻(xiàn)的名稱中出現(xiàn)的總次數(shù)，m表示屬于第i個(gè)類的科技文獻(xiàn)的數(shù)目，n_t表示前綴t在數(shù)據(jù)集的所有科技文獻(xiàn)的名稱中出現(xiàn)的總次數(shù)，α代表所述相關(guān)度修正值；以及對(duì)于每個(gè)類別內(nèi)包含的每個(gè)科技文獻(xiàn)的名稱對(duì)應(yīng)的語(yǔ)義相關(guān)度都加上相應(yīng)的類別相關(guān)度修正系數(shù)。

上述方法中，在所述步驟1)中所述語(yǔ)義相關(guān)度可以為所述檢索詞條的特征向量與每個(gè)科技文獻(xiàn)名稱的特征向量之間的余弦距離、歐式距離或杰卡德距離。

又一方面，本發(fā)明提供了一種科技文獻(xiàn)檢索系統(tǒng)，包括：

語(yǔ)義相關(guān)度計(jì)算模塊，用于基于科技文獻(xiàn)名稱的特征向量空間，將接收到的檢索詞條表示為特征向量的形式，并計(jì)算該檢索詞條的特征向量與數(shù)據(jù)集中每個(gè)科技文獻(xiàn)名稱的特征向量之間的語(yǔ)義相關(guān)度；

輸出模塊，取其名稱對(duì)應(yīng)的語(yǔ)義相關(guān)度高的前若干個(gè)科技文獻(xiàn)作為檢索結(jié)果；

其中，所述科技文獻(xiàn)名稱的特征向量空間是通過(guò)下列操作得到的：